戈利. 高登(Gary Gorton) 宾夕法尼亚大学沃顿商学院 & 何平 清华大学经济管理学院 银行信贷周期 戈利. 高登(Gary Gorton) 宾夕法尼亚大学沃顿商学院 & 何平 清华大学经济管理学院

商业贷款量随经济周期的波动

关于信贷周期的经典理论 信贷供给渠道 信贷需求渠道(企业资产负债表效应) 联邦准备金率对宏观经济变量的影响: Bernanke and Blinder (92, AER) 银行规模及资产流动性对其借贷行为的影响: Kashyap and Stein (2000, AER) 信贷需求渠道(企业资产负债表效应) 企业负债比率对道德风险及其投资行为的影响: Bernanke and Gertler (89, AER; 90, QJE), Bernanke, Gertler and Gilchrist (96, RESTAT) 企业固定资产价值影响其从银行贷款的能力: Kiyotaki and Moore (97, JPE)

信贷周期研究的新发现 银行信贷标准是经常变化的 Lown and Morgan (02, EPR-NYFED; 05, JMCB) (i) 银行信贷标准的变化对商业贷款及国民产出有很大的影响 (ii) 银行信贷标准的变化是独立于宏观经济波动的 结论: 银行并不是被动地根据国民经济的冷热为企业提供贷款，更重要的是，银行可能自主地改变其信贷标准，进而影响国民经济的波动

银行的信贷标准 -贷款主管的问卷调查

本文的主要目标 我们为银行自主改变信贷标准提供了一个理论基础，并进行实证检验 这个理论是基于银行业的一些特性: 银行业不是一个完全竞争市场: Diamond (84, RES), Ausubel (91, AER) 银行间的竞争不是通过利率来进行的，银行贷款利率有很大的粘滞性: Berger and Udell (92, JPE) 银行在贷款时需要了解借款人的信用度: Broecker (90, Econometrica)

中心思想 在银行贷款时需要了解借款人(或企业) 的信用状况。当一家银行决定给某个借款人提供贷款时，接受贷款的借款人很可能是因为他被其它银行拒绝了，这是由于信息不对称及信息不完善造成的 银行不可能了解借款人的方方面面，但会选择一个最优的信息了解程度 一旦某家银行发现自己的贷款还贷率相对于其竞争者较低时(表现不好) ，它会怀疑其它银行了解了一些自己不知道的信息，并会在未来借贷决策时更加小心，从而提高了其信贷标准

建模 两家银行间进行长期的价格(利率) 竞争，并通过了解借款人信用状况进行竞争 共有N家企业申请贷款，每一家企业可能是优质企业，也可能是劣质企业，但银行不知道，银行只知道优质企业的可能性 优质企业的贷款项目成功率很高，预期可以使得银行在一年后盈利(即还贷的可能性很高)，但劣质的企业则不行 银行可以花一些人力物力去了解贷款申请人以区分优质企业和劣质企业，但由于成本的因素并非最优。如果给每个申请企业发贷，银行可以有更高的盈利

每一期的银行竞争示意图

竞争结果 银行在“正常 期”，向所有的贷款申请者发贷，并不区分优质企业和劣质企业 一旦某家银行发现其主要竞争者的贷款还贷率明显高于自己(尽管两家银行的还贷率上的差异很可能是随机的)，就会进入“恶性竞争期”。银行开始花更多人力物力去区分优质企业及劣质企业，只对优质企业发贷，而其竞争者也会效仿。 更重要的是，如果出于某种原因某银行不能判断某家企业是优质企业或劣质企业，该银行会拒绝该企业的贷款申请(即使这家企业可能是优质企业) 。

小结 银行通过了解企业信息来进行间接的竞争与合作，银行改变信贷标准并不是由于宏观经济条件变化(或是央行货币政策的变化)，而是由于银行之间的相对表现上的差异 银行的 “恶性竞争期” 在持续一段时间之后会恢复到 “正常 期”，这样就产生了周期性的行为。 “恶性竞争期” 是作为可能发生的“过度信息生产” 的一种惩罚。这种惩罚使得银行在更多的时候保持合作(高贷款利率，并节约信息了解成本) 银行根据自己及其竞争者过去的信贷记录来制定自己的信贷标准，这决定了是 “正常 期” 还是 “恶性竞争期” 。

实证研究--理论检测 我们的理论是基于银行间长期的合作与竞争，而理论并未给予我们直接的实证研究方向，如何找到相关的变量用以预测银行的未来信贷标准是检测我们的理论的关键。同时，简单地用银行过去的还贷率来预测银行未来的行为很容易被理解为“学习效应” 而我们必须把它和我们的理论区别开来 用银行之间还贷率差异的绝对值很好地解决了这个问题 还贷率差异可以来源于某家银行不走运，也可以来源于某家银行超常发挥 理论上讲，这也是银行间寻求利润最大化的需要，因为进 入 “恶性竞争期” 的可能性相对要小

实证研究的几个方向 微观经济层面 信用卡贷款市场 宏观经济层面 商业银行贷款市场 来自股票市场的证据 风险因子分析

信用卡贷款市场 市场份额集中在少数几个大银行手中 我们可以明确地知道是哪几家大银行在市场上竞争 信用卡贷款的利率很高而且很少变动，这也间接地证明了信用卡贷款市场不是一个完全竞争市场: Ausubel (91, AER)

数据来源 银行收入及资产负债情况报表(来源于芝加哥联邦储备银行): Call Report 其它的宏观经济控制变量(来源于圣路易斯联邦储备银行): FRED 失业率(UMP) 居民可支配收入(DPI)

线性回归模型 两两银行间 假设检验 We should expect a negative sign for γ. FFR can be deemed as the cost of funds for the banks. According to Ausubel (1991), credit card loan rates are sticky relative to the cost of funds. So, it can be deemed as a proxy for the loan rate. The negative coefficients on CLL are negative confirms it is not learning (learning does not have sign prediction), though they do share the same prediction on bank asset allocation. Why they should change lending standards by learning? We construct Performance Difference Indices based on the Call Reports that U.S. banks file quarterly with. These reports are filed by banks within 30 days after the last business day of the quarter, and become public roughly 25 to 30 days later. For that reason, we try to use more than one lags when we analyze the predictive power of certain variables to be constructed based on the Call Reports, and we use the one period lag when the contemporaneous variable is needed.

线性回归结果(LL) yit = LLit Panel A CHAS CITI BONE BOAM MBNA WACH -0.583 0.064 0.044 -0.061 -0.446   *** ** -0.175 -0.066 0.063 -0.010 -0.209 -0.036 -0.246 -0.228 -0.387 -0.302 0.307 -0.127 -0.081 -0.173 0.022 ## 0.117 -0.023 0.043 -0.054 -0.161 -0.051 -0.115 -0.185 0.096 -0.241 * Significance Index: 39 Bootstrap P-Value: 0.00079

线性回归结果(LR) yit = LRit Panel C CHAS CITI BONE BOAM MBNA WACH -0.574 -0.077 -0.259 0.419 -0.010   ** *** 0.646 -0.590 -0.572 -0.224 -0.327 -0.375 -0.652 -1.187 -0.875 -1.316 -0.228 -0.497 -0.184 -0.959 -0.115 -0.131 0.440 0.956 0.990 0.900 ## ### 0.475 -0.217 -0.439 0.047 -0.499 # * Significance Index: 44 Bootstrap P-Value: 0.00011

银行差异指数(PDI= ) yit = LLit Panel A CHAS CITI BONE BOAM MBNA WACH Coeff. t-stat PDIt-1 -0.942 -2.10 -0.279 -0.50 -1.392 -1.42 -1.380 -2.48 -0.089 -0.47 -0.679 -3.13 PDIt-2 0.039 0.09 0.140 0.27 -0.786 -0.81 -0.040 -0.07 0.080 0.41 -0.393 -1.65 PDIt-3 0.161 0.35 0.31 0.135 0.14 0.099 0.17 -0.005 -0.03 -0.048 -0.20 PDIt-4 -0.098 -0.22 -0.117 -0.24 -1.100 -1.19 -0.453 -0.75 0.095 0.53 -0.546 -2.31 R2 0.77 0.75 0.83 0.71 0.88 yit = LRit Panel C 0.144 0.30 -1.746 -1.880 -0.78 -0.710 -2.45 0.616 0.52 0.933 0.12 -0.068 -0.14 -1.407 -2.16 -3.784 -1.58 -0.386 -1.33 -0.353 -0.29 -0.498 -0.58 -0.214 -0.44 -1.557 -2.40 -3.826 -1.61 -0.315 -1.04 -0.697 -0.57 -0.727 -0.83 0.187 0.39 -1.579 -2.60 -5.909 -2.61 -0.862 -2.74 1.030 0.92 -0.578 -0.67 0.74 0.89

Without Dividend Yield 用银行差异指数预测银行股票回报 Without Dividend Yield Panel A CHAS CITI BONE BOAM MBNA WACH Coeff. t-stat PDIt-1 -3.66 -0.75 3.53 0.66 1.46 0.39 1.35 0.36 -8.28 -1.60 -1.66 -0.48 PDIt-2 -2.56 -0.53 -1.73 -0.32 -2.53 -0.67 -3.09 -0.82 1.56 0.30 -6.76 -1.95 PDIt-3 -9.78 -2.02 -4.80 -0.90 -8.91 -2.37 -9.97 -2.63 -6.87 -1.33 2.00 0.57 PDIt-4 -4.97 -0.91 -7.13 -1.86 -5.91 -1.53 -4.71 -5.80 -1.65 R2 0.13 0.07 0.14 0.25 0.16 With Dividend Yield Panel C -2.72 -0.54 4.62 0.80 4.38 1.28 1.13 0.29 -8.20 -1.56 -2.71 -0.74 -0.33 -1.97 -0.36 -0.66 -0.20 -3.20 -0.84 1.65 0.31 -6.96 -2.00 -8.72 -1.72 -4.33 -0.79 -7.47 -2.24 -9.72 -6.81 -1.30 0.59 0.15 -0.41 -0.08 -4.55 -3.38 -0.95 -5.63 -1.44 -4.64 -0.87 -5.54 0.08 0.43 0.26 0.18

小结 银行之间的信用卡坏帐率差异可以用于预测未来银行信用卡贷款的数量和质量，这间接地证明了银行的信贷标准是可以用银行间业绩差异来预测的 同时，银行间的坏帐率差异可以用于预测银行的股票市场表现 我们的数据实证结论是已经考虑了 “学习效应” 后得到的结果

商业贷款市场多变量自回归模型 内生变量 外生变量 银行信贷标准(联储关于信贷标准的银行高级主管的问卷调查): STAND 前100名银行商业贷款坏帐率差异指数: PDI= 联储准备金基准利率: FFR 商业贷款总额: LOGLOAN=log(LOAN) 外生变量 常数项: C 时间: T

主要结果   STAND PDI FFR LOGLOAN 1.15E-01 2.19E-05 4.59E-04 -6.51E-05 (0.002) (0.004) (0.878) (0.118) 8.10E+02 2.41E-01 -2.51E+01 -1.37E+00 (0.037) (0.000) (0.064) 1.70E-01 6.70E-05 2.01E-01 1.83E-03 (0.315) (0.417) 2.52E+01 -6.27E-04 7.31E-02 2.39E-01 (0.044) (0.416) (0.545) 银行坏帐率差异指数(PDI)比信贷标准(STAND)更能解释贷款利率及数量的变化，而联储准备金基准利率和商业贷款总额对银行坏帐率差异指数(PDI) 没有显著的解释作用

股票市场风险因子分析 我们已经证实了银行商业贷款坏帐率差异指数(PDI) 对银行商业信贷有很大的影响，从而对企业获得贷款的能力及国民经济的发展都有很大的影响。它不仅影响银行本身的盈利，也会银行非银行企业的盈利，因而我们预见可以它是企业股票回报的一个重要宏观风险因子

风险因子模型 变量定义 资本市场定价模型: CAPM 套利定价模型: APT rm-rf: 市场超额回报率 SMB: 小企业相对大企业的超额回报率(破产风险) HML: 高相对账面价值企业对低相对账面价值企业的超额回报率(成长企业相对于成熟企业的风险) RPDI: 我们用所有股票复制的风险因子，尽可能的接近PDI(银行竞争风险)

资本市场定价模型结果(银行) Coefficient α rm-rf RPDI R2 (R2 w/o RPDI) (t-stat) Commercial Banks Small 1.988 0.456 0.119 0.33 (2.34) (4.45) (4.06) (0.20) Medium 2.131 0.589 0.118 0.40 (2.50) (5.75) (4.02) (0.28) Large 1.970 1.003 0.041 0.65 (2.89) (12.22) (1.75) (0.64)

资本市场定价模型结果(非银行) Coefficient α rm-rf RPDI R2 (R2 w/o RPDI) (t-stat) Non-Financial Firms Decile 1 4.669 1.096 0.256 0.47 (Small) (3.22) (6.29) (5.14) (0.31) Decile 2 -0.523 1.143 0.193 0.58   (-0.48) (8.73) (5.17) (0.45) Decile 3 -0.662 1.230 0.141 0.64 (-0.71) (10.90) (4.39) (0.56) Decile 4 -0.762 1.265 0.129 0.68 (-0.87) (12.04) (4.31) (0.61) Decile 5 -0.196 1.321 0.108 0.73 (-0.25) (13.99) (3.99) (0.68) Decile 6 0.145 1.348 0.067 0.75 (0.20) (15.22) (2.67) (0.72) Decile 7 0.481 1.360 0.041 0.82 (0.82) (19.39) (2.04) (0.81) Decile 8 0.721 1.293 0.033 0.87 (1.55) (23.12) (2.09) (0.86) Decile 9 0.939 1.179 0.017 0.91 (2.81) (29.29) (1.48) (0.91) Decile 10 1.113 0.982 -0.013 0.97 (Large) (7.09) (51.95) (-2.40) (0.97)

套利定价模型结果(银行) Coefficient α rm-rf SMB HML RPDI R2 (R2 w/o RPDI) (t-stat) Commercial Banks Small 1.578 0.489 0.587 0.613 0.060 0.55 (2.22) (4.80) (5.08) (4.11) (2.35) (0.52) Medium 1.689 0.639 0.622 0.592 0.058 0.61 (2.40) (6.35) (5.44) (4.02) (2.29) (0.58) Large 1.564 1.188 0.463 -0.098 0.019 0.72 (2.51) (13.28) (4.57) (-0.75) (0.82) (0.72)

套利定价模型结果(非银行) Coefficient α rm-rf SMB HML RPDI R2 (R2 w/o RPDI) (t-stat) Non-Financial Firms Decile 1 4.940 0.629 1.657 -0.042 0.192 0.65 (Small) (4.08) (3.63) (6.53) (-0.21) (4.37)  (0.57) Decile 2 -0.398 0.766 1.517 0.108 0.126 0.79   (-0.50) (6.76) (9.15) (0.84) (4.41)  (0.74) Decile 3 -0.534 0.867 1.445 0.093 0.078 0.86 (-0.89) (10.04) (11.44) (0.95) (3.57)  (0.84) Decile 4 -0.702 0.946 1.370 0.160 0.065 0.88 (-1.31) (12.28) (12.15) (1.83) (3.34)  (0.87) Decile 5 -0.120 1.014 1.284 0.049 0.91 (-0.27) (15.80) (13.68) (1.73) (3.01)  (0.91) Decile 6 0.287 1.005 1.322 0.054 0.011 0.95 (0.90) (20.90) (19.68) (1.03) (0.97)  (0.95) Decile 7 0.604 1.081 1.063 0.033 -0.004 0.97 (2.57) (32.08) (21.57) (0.86) (-0.43) (0.97)  Decile 8 0.843 0.840 -0.003 0.000 0.98 (4.27) (37.60) (20.32) (-0.08) (-0.03)  (0.98) Decile 9 1.037 1.020 0.555 -0.023 (5.54) (37.97) (14.14) (-0.75) (-0.59)  (0.97) Decile 10 1.184 0.985 -0.145 -0.108 -0.001 (Large) (9.64) (55.93) (-5.63) (-5.40) (-0.22) (0.98) 

小结 银行竞争风险(PDI) 对于中小银行和小企业来说是一个重要的风险因子，而且影响力随着银行或非银行企业的市值增加而减小，这主要是因为小银行及小企业抵抗风险的能力相对较弱 和其它风险因子相比，银行竞争风险因子的经济显著性也是很大的。比如说，当PDI变化一个标准方差，最小企业的超额回报会变化大约7.4%，和rm-rf的影响力，8.7%，极为接近

总结 银行业，作为一个特殊的行业，其竞争与合作有着其特殊性，尤其在于其对其顾客的信息获取。这种特殊性使得银行间在进行竞争与合作时，不只局限于数量和价格的竞争 银行不只是被动地根据宏观经济波动及央行货币政策变化而制定其借贷策略，更多的时候，它们会根据其竞争对手的借贷策略而采取相应措施，因此银行间的互动对于国民经济的波动会产生很大的主动影响 我们为这个假想提供了理论依据及数据支持